從零開始預訓練，螞蟻靈波發佈具身原生世界動作模型LingBot-VA2.0

螞蟻集團旗下機器人技術公司螞蟻靈波於7月10日正式推出業界首個具身原生世界動作模型「LingBot-VA2.0」，該模型從零開始預訓練，完全跳脫過去依賴數位世界模型再微調嫁接至機器人控制的作法，轉而直接從物理環境的動態建模、因果預測與即時執行等原始需求進行原生設計。這項發表被視為機器人基礎模型從「數位世界模型建構」跨入「面向物理世界原生設計」的關鍵轉折點。 今年以來，世界模型與具身智能如何融合一直是業界討論焦點。機器人置身連續變化的真實世界，不僅要針對當下情境做出反應，更必須理解每個動作將引發哪些環境變化，並據此規劃下一步行動。然而當前主流路線多半先訓練面向數位內容創作的影片生成模型，再透過微調方式適應機器人控制任務。但內容創作與機器人控制的本質截然不同——前者講究畫質與創意，後者重視執行效率與預測合理性，兩者的能力側重點從模型設計之初就已分歧。硬將前者「改裝」成後者往往造成知識遺忘、泛化能力下降等副作用，反而限制機器人效能。 LingBot-VA2.0選擇直接面對這個困境，採用自迴歸架構從頭開始預訓練，並以四項核心設計打造原生基礎模型。首先是語義視覺－動作分詞器（Tokenizer），這套全新視覺編碼器在影像壓縮過程中就加入語義與動作資訊的對齊，讓模型更容易將「理解指令」轉化為「完成動作」，進而提升指令跟隨能力與動作精準度。第二是嚴格的因果預訓練範式，從訓練初始就確保視覺預測與動作生成完全遵循單向時間順序，使模型具備符合物理因果律的推理能力。第三是引入MoE（混合專家）架構，在不犧牲推理效率的前提下有效擴充模型容量，在效能與效率之間取得平衡。第四則是強化異步推理機制，讓機器人可以在執行動作的同時預測下一狀態，並利用最新的真實觀測持續修正決策，實現即時閉環控制。 這套設計在效能上交出亮眼成績：LingBot-VA2.0可在單張顯示卡上達到150Hz的即時推理效率，大幅緩解業界長期面臨的具身世界模型執行速度瓶頸。螞蟻靈波也釋出實際測試影片，在不依賴任何外部拍攝設備的條件下，機器人即可流暢完成與人類的多輪隨機對打，展現出優異的反應速度與泛化能力。 值得注意的是，螞蟻靈波在本週接連發布並開源多款模型，包括專注空間感知的LingBot-Vision與LingBot-Depth2.0、支援「一腦多機」的動作模型LingBot-VLA2.0、主打即時互動的LingBot-World2.0，以及提升推理效率的影片生成基礎模型LingBot-Video。這些產品分別對應具身原生所需的細分能力，而LingBot-VA2.0則扮演集大成者的角色，將各項技術整合為一套完整的具身原生世界動作模型，正式開啟新階段的發展。 螞蟻靈波執行長朱興表示，團隊將一方面持續挑戰具身智能的能力上限，另一方面加速建構開放技術生態與場景生態，助力機器人更快落地至各類產業應用。外界也能在即將登場的2026世界人工智能大會（WAIC）一窺這套技術的全貌。螞蟻靈波預計於7月17日至20日在上海世博展覽館H3-B302與H1-C701兩個攤位，全面展示全棧大腦2.0的落地場景能力，邀請業界與民眾現場體驗機器人從感知、決策到執行的完整智慧鏈路。